Causal slutledning är viktig i medicinsk forskning för att hjälpa till att avgöra om behandlingar är fördelaktiga och om naturlig exponering är skadlig. I många inställningar, datainsamling gör kausala slutledningar svåra utan att göra alltför optimistiska eller idealistiska antaganden. I en ny artikel publicerad i Journal of the American Statistical Association , forskare vid Karolinska Institutet utvecklar nya statistiska metoder för att göra kausala slutledningar möjliga i vissa sammanhang utan att göra sådana antaganden.

Författarna Erin Gabriel, Michael Sachs och Arvid Sjölander vid institutionen för medicinsk epidemiologi och biostatistik, beskriva i den nya artikeln hur dessa metoder kan användas och tolkas.

Nya verktyg som kan användas i en mängd olika forskningsmiljöer

Randomiserade prövningar är en typ av experiment där grupper av frivilliga slumpmässigt tilldelas för att få ett nytt läkemedel eller inte, och sedan görs en jämförelse mellan de två slumpmässigt tilldelade grupperna för att bedöma effekten av den randomiserade medicinen på överlevnaden, infektion, eller patienternas välbefinnande. Till skillnad från nya läkemedel, det finns många saker som inte kan tilldelas slumpmässigt till frivilliga, såsom rökning och exponering för asbest, eller det kan vara randomiserat, men studeras oftast i observationsstudier, såsom rött vin och fruktkonsumtion.

I dessa inställningar, effekten av en exponering kan vara svår att avgöra eftersom andra faktorer kan påverka både intresseexponeringen och utfallet. Till exempel, att bo i Sverige är förknippat med lägre dödlighet och högre konsumtion av hjortron än Ungern, Så att leta efter effekten av hjortron på dödligheten i en grupp som inkluderade personer från både Ungern och Sverige kan få en forskare att tro att hjortron minskar dödligheten.

Statistiska metoder utvecklade med en ny metod

Även om det finns många verktyg för att hantera uppmätta faktorer, såsom bosättningsland, för att möjliggöra testning och uppskattning av sådana effekter, alla dessa metoder kräver att en forskare är villig att gissa om alla andra faktorer som de inte har mätt. Arbetet som presenteras här använder matematik, logik och statistik för att mildra behovet av denna gissning och, snarare än att ge ett enda värde på effekten, ger en rad möjliga effektstorlekar. Även om vissa forskare har utvecklat liknande metoder, metoderna är mycket få och är specifika för typen av data och hur uppgifterna samlats in. Erin Gabriel och hennes kollegor utvecklar nya metoder för att möjliggöra ett mycket större antal datainsamlingsstilar, varav många är mycket vanliga i Sverige på grund av registren.

"Dessa statistiska metoder, som är lätta att implementera, kan hjälpa i många miljöer där kausal slutledning hotas av omätta förvirring och/eller urvalsbias, " säger första författaren Erin Gabriel.

Författarna hoppas att deras verktyg kommer att användas av forskare runt om i världen för att hjälpa dem att fatta beslut utan att behöva gissa om omätade faktorer i deras data. I sitt pågående och framtida arbete, de syftar till att bygga och beskriva nya statistiska verktyg som kan användas i ofullkomliga kliniska prövningar.